AI混合推薦算法在企業(yè)內(nèi)部學(xué)習(xí)社區(qū)場(chǎng)景的深度應(yīng)用

徐 胤，宋 燦，汪亞娟

（國(guó)家電網(wǎng)有限公司客戶(hù)服務(wù)中心信息運(yùn)維中心，江蘇 南京 211166）

1 研究背景

貿(mào)易戰(zhàn)、疫情加快了國(guó)家數(shù)字化戰(zhàn)略的推進(jìn)，宏觀上中國(guó)的數(shù)字化能力將形成領(lǐng)先全球的數(shù)字化競(jìng)爭(zhēng)力。在國(guó)家戰(zhàn)略的指導(dǎo)下，大型央企進(jìn)一步加快轉(zhuǎn)型的決心與速度。在轉(zhuǎn)型的過(guò)程中，企業(yè)數(shù)字化的場(chǎng)景非常豐富，從軟件信息化場(chǎng)景、硬件智能化場(chǎng)景、應(yīng)用數(shù)據(jù)集成化場(chǎng)景，豐富的數(shù)字化場(chǎng)景對(duì)人才的成長(zhǎng)與進(jìn)步要求越來(lái)越高[1]。

在數(shù)字化轉(zhuǎn)型的過(guò)程中，員工要面對(duì)多元化的數(shù)字化場(chǎng)景，知識(shí)結(jié)構(gòu)也將面臨一次大的升級(jí)，70后、80后、90后、00后不同年齡段的員面對(duì)數(shù)字化轉(zhuǎn)型，學(xué)習(xí)效率、學(xué)習(xí)需求、評(píng)價(jià)標(biāo)準(zhǔn)都不一樣，研究小組的“AⅠ混合推薦算法在企業(yè)內(nèi)部學(xué)習(xí)社區(qū)場(chǎng)景的深度應(yīng)用”這一課題就是在這個(gè)背景下產(chǎn)生的。

2 行業(yè)借鑒

互動(dòng)社區(qū)的核心是其所產(chǎn)生的內(nèi)容，當(dāng)前互聯(lián)網(wǎng)互動(dòng)社區(qū)產(chǎn)生內(nèi)容的方式大致有UGC、PGC、OGC這3種。UGC指用戶(hù)生產(chǎn)內(nèi)容，一層是用戶(hù)，即內(nèi)容貢獻(xiàn)者；另一層是平臺(tái)，充當(dāng)內(nèi)容運(yùn)營(yíng)者和內(nèi)容審查者的角色，有了人氣，平臺(tái)就會(huì)越來(lái)越大，人氣就會(huì)越來(lái)越旺，反之亦然。PGC指專(zhuān)業(yè)生產(chǎn)內(nèi)容，其內(nèi)容個(gè)性化、視角多元化、傳播民主化、社會(huì)關(guān)系虛擬化，電商媒體、高端媒體多采用PGC模式。OGC指職業(yè)生產(chǎn)內(nèi)容，內(nèi)容產(chǎn)生者如記者、編輯、媒體工作者等，創(chuàng)作內(nèi)容屬于職務(wù)行為。本文主要分析UGC及PGC模式，借鑒其經(jīng)驗(yàn)。

2.1 UGC可借鑒內(nèi)容

以知乎為例，知乎涵蓋話(huà)題內(nèi)容全面，問(wèn)答豐富多樣，用戶(hù)量龐大，人均日訪(fǎng)問(wèn)時(shí)長(zhǎng)達(dá)50 min。用戶(hù)圍繞著某一感興趣的話(huà)題進(jìn)行相關(guān)的討論，同時(shí)可以關(guān)注興趣一致的人。針對(duì)一些話(huà)題進(jìn)行發(fā)散思維整合，用戶(hù)活躍度高、內(nèi)容專(zhuān)業(yè)門(mén)檻較低，榮譽(yù)體系完善。

2.2 PGC可借鑒內(nèi)容

以36氪為例，36氪是一個(gè)科技創(chuàng)新創(chuàng)業(yè)綜合生態(tài)服務(wù)平臺(tái)，文章水平較高且篇幅較長(zhǎng)，能夠看到很多觀點(diǎn)和互動(dòng)。36氪對(duì)于用戶(hù)投稿要求非常高，經(jīng)過(guò)嚴(yán)格專(zhuān)業(yè)審查通過(guò)后才能發(fā)表，故文章專(zhuān)業(yè)性極強(qiáng)，帖子無(wú)法實(shí)現(xiàn)實(shí)時(shí)發(fā)表，更新周期略長(zhǎng)。如果要實(shí)現(xiàn)作者入駐，需要遞交作者簡(jiǎn)歷及真實(shí)性檢查等一系列工作，平臺(tái)需要對(duì)專(zhuān)家人才庫(kù)進(jìn)行運(yùn)營(yíng)管理。

3 研究過(guò)程

3.1 確定研究方向

研究背景：新上線(xiàn)的大型企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)涉及企業(yè)營(yíng)銷(xiāo)員工超過(guò)2萬(wàn)人。新的企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)業(yè)務(wù)模塊眾多、知識(shí)點(diǎn)零碎，新業(yè)務(wù)、新規(guī)則、新功能、新政策變化迅速，而一線(xiàn)員工由于知識(shí)結(jié)構(gòu)、自身能力、培訓(xùn)條件、政策傳達(dá)等方面的原因在使用中必然會(huì)產(chǎn)生眾多的問(wèn)題。結(jié)合以往新系統(tǒng)上線(xiàn)的經(jīng)驗(yàn)，困擾員工最大的3個(gè)問(wèn)題是“功能不會(huì)用”“問(wèn)題誰(shuí)解答”“想法向誰(shuí)提”。

研究方向：AⅠ混合推薦算法在企業(yè)內(nèi)部學(xué)習(xí)社區(qū)場(chǎng)景的深度應(yīng)用。研究小組將大數(shù)據(jù)的標(biāo)簽應(yīng)用與NLP的深度網(wǎng)絡(luò)學(xué)習(xí)相結(jié)合，以員工數(shù)據(jù)校本、內(nèi)容數(shù)據(jù)樣本2個(gè)維度，形成一套針對(duì)每個(gè)員工、每份學(xué)習(xí)內(nèi)容的個(gè)性化AⅠ推薦算法，將推薦算法應(yīng)用到每個(gè)員工身上形成“千人千面”的學(xué)習(xí)方案與評(píng)價(jià)文案，提升學(xué)習(xí)效率。將推薦算法應(yīng)用到每個(gè)學(xué)習(xí)內(nèi)容上，建立強(qiáng)大的關(guān)聯(lián)性學(xué)習(xí)內(nèi)容之間的知識(shí)圖譜關(guān)系，從而形成一個(gè)強(qiáng)大的智能知識(shí)庫(kù)?！扒饲娴腁Ⅰ標(biāo)簽庫(kù)”與“以點(diǎn)帶面的知識(shí)圖譜智能知識(shí)庫(kù)”這2大核心產(chǎn)品是課題組的核心研究方向。

實(shí)驗(yàn)場(chǎng)景：學(xué)習(xí)社區(qū)建設(shè)應(yīng)用。研究小組的研究課題是在實(shí)際工作場(chǎng)景中形成的，研究小組承擔(dān)了企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)的運(yùn)營(yíng)運(yùn)維工作，在工作的過(guò)程中，為了更好地讓內(nèi)部員工學(xué)習(xí)、適應(yīng)新的數(shù)字化營(yíng)銷(xiāo)系統(tǒng)，建立了學(xué)習(xí)社區(qū)這個(gè)內(nèi)部學(xué)習(xí)社區(qū)，加快員工對(duì)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)問(wèn)題的解決、使用技巧的掌握，課題組將AⅠ混合推薦算法深度應(yīng)用到了學(xué)習(xí)社區(qū)這個(gè)場(chǎng)景研究中。

3.2 研究的理論基礎(chǔ)-AI混合推薦算法

3.2.1 數(shù)據(jù)分類(lèi)

學(xué)習(xí)社區(qū)項(xiàng)目中，將系統(tǒng)所產(chǎn)生的全部數(shù)據(jù)進(jìn)行了分組：用戶(hù)數(shù)據(jù)類(lèi)、內(nèi)容數(shù)據(jù)類(lèi)。通過(guò)內(nèi)容數(shù)據(jù)不斷作用于用戶(hù)數(shù)據(jù)，實(shí)現(xiàn)用戶(hù)學(xué)習(xí)行為、學(xué)習(xí)效率、學(xué)習(xí)結(jié)果的不斷變化，再根據(jù)用戶(hù)數(shù)據(jù)的不斷變化來(lái)調(diào)整與之對(duì)應(yīng)的內(nèi)容數(shù)據(jù)。

3.2.2 標(biāo)簽畫(huà)像

標(biāo)簽是對(duì)數(shù)據(jù)進(jìn)行定義的手段，通過(guò)不斷對(duì)每條數(shù)據(jù)進(jìn)行標(biāo)簽化處理，從而獲得數(shù)據(jù)的標(biāo)簽畫(huà)像。標(biāo)簽分為初始標(biāo)簽、AⅠ標(biāo)簽、人工標(biāo)簽3大類(lèi)，對(duì)應(yīng)數(shù)據(jù)的3大場(chǎng)景，數(shù)據(jù)產(chǎn)生的時(shí)候會(huì)自動(dòng)產(chǎn)生初始標(biāo)簽，在數(shù)據(jù)不斷被訪(fǎng)問(wèn)應(yīng)用的過(guò)程中，會(huì)產(chǎn)生AⅠ標(biāo)簽，在與用戶(hù)、管理員不斷互動(dòng)的過(guò)程中，會(huì)產(chǎn)生人工標(biāo)簽。通過(guò)3大類(lèi)標(biāo)簽，不斷通過(guò)標(biāo)簽重合度進(jìn)行去重，實(shí)現(xiàn)標(biāo)簽畫(huà)像的智能化、精準(zhǔn)化[2]。

3.2.3 NLP自增標(biāo)簽

自然語(yǔ)言處理（Natural Language Process，NLP）深度整合了數(shù)字化云企業(yè)內(nèi)部頂級(jí)的NLP技術(shù)，依托千億級(jí)中文語(yǔ)料累積，提供16項(xiàng)智能文本處理能力，包括智能分詞、實(shí)體識(shí)別、文本糾錯(cuò)、情感分析、文本分類(lèi)、詞向量、關(guān)鍵詞提取、自動(dòng)摘要、智能閑聊、百科知識(shí)圖譜查詢(xún)等?？蓮V泛應(yīng)用于用戶(hù)評(píng)論情感分析、資訊熱點(diǎn)挖掘、電話(huà)投訴分析等場(chǎng)景，滿(mǎn)足各行各業(yè)的文本智能需求。

基于NLP框架，將大型企業(yè)營(yíng)銷(xiāo)線(xiàn)的26個(gè)專(zhuān)業(yè)的數(shù)據(jù)字典進(jìn)行分詞，生成初始標(biāo)簽庫(kù)。根據(jù)員工、內(nèi)容這2類(lèi)數(shù)據(jù)打上初始標(biāo)簽，實(shí)現(xiàn)基礎(chǔ)的匹配。同數(shù)據(jù)不斷互動(dòng)、使用的過(guò)程中，通過(guò)NLP學(xué)習(xí)網(wǎng)絡(luò)對(duì)標(biāo)簽進(jìn)行重合度、標(biāo)簽密度的計(jì)算，將高密度、高重合度的標(biāo)簽進(jìn)行NLP自增方式標(biāo)記到數(shù)據(jù)上，實(shí)現(xiàn)數(shù)據(jù)標(biāo)簽AⅠ自增[3]。

3.2.4 AI混合推薦

通過(guò)初始標(biāo)簽、NLP自增標(biāo)簽、人工標(biāo)簽，筆者們的用戶(hù)類(lèi)數(shù)據(jù)、內(nèi)容類(lèi)數(shù)據(jù)分別獲得了標(biāo)簽畫(huà)像。在企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)學(xué)習(xí)社區(qū)員工登陸學(xué)習(xí)的過(guò)程中，展開(kāi)了AⅠ推薦算法在企業(yè)內(nèi)部學(xué)習(xí)社區(qū)場(chǎng)景的深度應(yīng)用。

根據(jù)每個(gè)用戶(hù)登陸后的身份、學(xué)習(xí)內(nèi)容、內(nèi)容熱度進(jìn)行AⅠ混合推薦，“千人千面”的個(gè)性化學(xué)習(xí)方案、評(píng)價(jià)方案，提升學(xué)習(xí)效率。主要采用以下3個(gè)步驟開(kāi)展算法搭建：①數(shù)據(jù)建模。推薦系統(tǒng)根據(jù)用戶(hù)的某些信息給用戶(hù)建模，同時(shí)給頻道建模。②內(nèi)容推薦。推薦系統(tǒng)根據(jù)不同的算法對(duì)用戶(hù)興趣與頻道信息進(jìn)行篩選匹配，找到用戶(hù)感興趣的頻道，然后推薦給用戶(hù)。③分類(lèi)。根據(jù)用戶(hù)行為記錄等對(duì)用戶(hù)進(jìn)行劃分，為同一群體的用戶(hù)推薦其余用戶(hù)喜歡的，也可以根據(jù)內(nèi)容元素為內(nèi)容分類(lèi)。

AⅠ混合推薦算法工作原理如圖1所示。

圖1 AⅠ混合推薦算法工作原理圖

4 AI混合推薦算法的幾大應(yīng)用場(chǎng)景的實(shí)驗(yàn)情況

4.1 在“問(wèn)答”學(xué)習(xí)場(chǎng)景中的應(yīng)用

學(xué)習(xí)社區(qū)項(xiàng)目設(shè)計(jì)了“問(wèn)答”這個(gè)功能場(chǎng)景，就是讓員工在使用企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)的過(guò)程中將遇到的問(wèn)題在學(xué)習(xí)社區(qū)進(jìn)行“一鍵提問(wèn)、閃電提問(wèn)”，然后快速幫助員工解決企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)的使用問(wèn)題。

AⅠ混合推薦算法在這個(gè)場(chǎng)景中發(fā)揮了巨大的作用。首先員工提問(wèn)的時(shí)候，通過(guò)AⅠ推薦，在員工輸入提問(wèn)標(biāo)題的時(shí)候AⅠ助教就會(huì)即時(shí)進(jìn)行相似的已解答的問(wèn)題推薦，員工不用提問(wèn)就可通過(guò)別人已經(jīng)問(wèn)過(guò)的問(wèn)題來(lái)解決自己的問(wèn)題。同時(shí)如果已解答問(wèn)題沒(méi)有員工需要的答案，AⅠ推薦算法會(huì)繼續(xù)推薦正在提問(wèn)中的相似問(wèn)題，員工只需點(diǎn)擊“同問(wèn)”就可以閃電實(shí)現(xiàn)問(wèn)題關(guān)注，問(wèn)題被解答后自動(dòng)推送消息幫助員工獲得答案。

4.2 在經(jīng)驗(yàn)交流場(chǎng)景中的應(yīng)用

企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)學(xué)習(xí)社區(qū)系統(tǒng)具有“經(jīng)驗(yàn)分享”功能模塊，是一個(gè)幫助員工在內(nèi)部社區(qū)學(xué)習(xí)過(guò)程中從“新人”到“專(zhuān)家”的自我成長(zhǎng)的主動(dòng)學(xué)習(xí)過(guò)程。AⅠ混合推薦算法將每條“經(jīng)驗(yàn)分享”內(nèi)容進(jìn)行標(biāo)簽化，將內(nèi)容類(lèi)數(shù)據(jù)的標(biāo)簽庫(kù)作用于經(jīng)驗(yàn)分享類(lèi)的內(nèi)容，然后通過(guò)經(jīng)驗(yàn)分享的每篇文案的標(biāo)簽庫(kù)與用戶(hù)的標(biāo)簽庫(kù)進(jìn)行“標(biāo)簽重合度、標(biāo)簽高密度”的AⅠ推薦，將經(jīng)驗(yàn)分享文章推薦給每位員工，幫助他們從“新手”向“專(zhuān)家”進(jìn)行成長(zhǎng)蛻變。

AⅠ混合推薦算法在企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)學(xué)習(xí)社區(qū)的3大典型場(chǎng)景得到了成功的應(yīng)用，為企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)培養(yǎng)了大量的使用專(zhuān)家，加快了企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)的應(yīng)用效率。AⅠ混合推薦算法在課程組研究成功后，可以應(yīng)用于很多場(chǎng)景，在企業(yè)內(nèi)部學(xué)習(xí)社區(qū)場(chǎng)景延伸開(kāi)來(lái)，具有更廣闊的市場(chǎng)前景。

平臺(tái)的生命周期與活躍度，取決于持續(xù)不斷運(yùn)營(yíng)。基于企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)的目標(biāo)定位，確定營(yíng)銷(xiāo)知識(shí)運(yùn)營(yíng)、營(yíng)銷(xiāo)文化運(yùn)營(yíng)、營(yíng)銷(xiāo)創(chuàng)新運(yùn)營(yíng)3方面的運(yùn)營(yíng)目標(biāo)：打造創(chuàng)新性學(xué)習(xí)型問(wèn)答社區(qū)，運(yùn)營(yíng)場(chǎng)景包括知識(shí)沉淀、知識(shí)流動(dòng)、知識(shí)應(yīng)用等；推動(dòng)營(yíng)銷(xiāo)數(shù)字化轉(zhuǎn)型文化認(rèn)同，運(yùn)營(yíng)場(chǎng)景從傳、溝通、參與到進(jìn)化的遞進(jìn)認(rèn)同過(guò)程；推進(jìn)企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)優(yōu)化與提升，運(yùn)營(yíng)場(chǎng)景包括知識(shí)收集、創(chuàng)新推動(dòng)及需求創(chuàng)新落地。

5 結(jié)束語(yǔ)

研究小組在實(shí)施企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)學(xué)習(xí)社區(qū)項(xiàng)目的過(guò)程中，參考了大量的知識(shí)文獻(xiàn)，閱讀了大量書(shū)籍，將方法論提煉成為“AⅠ混合推薦算法”，并將之深度應(yīng)用于企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)學(xué)習(xí)社區(qū)項(xiàng)目。整理復(fù)盤(pán)整個(gè)研究過(guò)程，整理研究資料，研究發(fā)現(xiàn)“千人千面的AⅠ標(biāo)簽庫(kù)”與“以點(diǎn)帶面的知識(shí)圖譜智能知識(shí)庫(kù)”這2大核心產(chǎn)品將是課題組的寶貴經(jīng)驗(yàn)，現(xiàn)總結(jié)出來(lái)和大家分享。

“千人千面的AⅠ標(biāo)簽庫(kù)”：為數(shù)據(jù)資產(chǎn)打上標(biāo)簽，應(yīng)用NLP技術(shù)給每條數(shù)據(jù)打上初始標(biāo)簽、AⅠ標(biāo)簽、人工標(biāo)簽這個(gè)方法論實(shí)現(xiàn)了每條數(shù)據(jù)標(biāo)簽畫(huà)像，內(nèi)容數(shù)據(jù)與用戶(hù)數(shù)據(jù)之間的“標(biāo)簽重合度、高密度”匹配，然后進(jìn)行AⅠ混合推薦實(shí)現(xiàn)了“千人千面”的推薦效果。

“以點(diǎn)帶面的知識(shí)圖譜智能知識(shí)庫(kù)”：每條內(nèi)容數(shù)據(jù)都是寶貴的學(xué)習(xí)資產(chǎn)，在實(shí)施企業(yè)數(shù)字化營(yíng)銷(xiāo)系統(tǒng)學(xué)習(xí)社區(qū)項(xiàng)目的過(guò)程中，由于每條內(nèi)容數(shù)據(jù)都帶著多維度的標(biāo)簽庫(kù)，AⅠ算力可以精準(zhǔn)定義到每條學(xué)習(xí)內(nèi)容，匹配給每位學(xué)習(xí)者。因此，將所有的學(xué)習(xí)內(nèi)容以每位學(xué)習(xí)者提出的“第個(gè)問(wèn)題”為切入點(diǎn)，幫助學(xué)習(xí)者形成一個(gè)強(qiáng)大的關(guān)聯(lián)知識(shí)庫(kù)。如果能夠在后期不斷豐富學(xué)習(xí)內(nèi)容數(shù)據(jù)，必然能夠形成一個(gè)以與“AⅠ混合推薦算法與關(guān)系型標(biāo)簽庫(kù)”相結(jié)合的創(chuàng)新型知識(shí)庫(kù)。